[论文解读] Local NMPC on Global Optimised Path for Autonomous Racing

Dvij Kalaria, Parv Maheshwari+5 more|arXiv (Cornell University)|Sep 15, 2021

Robotic Path Planning Algorithms参考文献 12被引用 6

一句话总结

本文提出了一种用于自动驾驶竞速的两阶段控制框架：首先通过轨迹优化计算全局最优赛车线路，然后采用局部非线性模型预测控制器（NMPC），以该线路作为参考，同时最大化前进进度、避免与对手碰撞，并利用尾随效应。与基于中心线的NMPC相比，该方法显著提升了圈速和稳定性，在仿真中验证了其在超车和高速弯道中的优越性能。

ABSTRACT

The paper presents a strategy for the control of anautonomous racing car on a pre-mapped track. Using a dynamic model of the vehicle, the optimal racing line is computed, taking track boundaries into account. With the optimal racing line as areference, a local nonlinear model predictive controller (NMPC) is proposed, which takes into account multiple local objectives like making more progress along the race line, avoiding collision with opponent vehicles, and use of drafting to achieve more progress.

研究动机与目标

• 开发一种自动驾驶赛车车的控制策略，通过使用全局优化的赛车线路作为参考，超越传统的基于中心线的方法。
• 通过在高速条件下引入动态、高保真的轮胎力模型，应对高速车辆动力学的挑战。
• 通过在NMPC控制器中集成尾随效应模型，实现有效的多智能体竞速。
• 通过在弯道处与最优赛车线路融合，改善局部轨迹跟踪，最大化前进进度并最小化偏差。
• 在具有真实动力学和对手行为的模拟多智能体竞速环境中验证控制器。

提出的方法

• 通过最小时间轨迹的数值优化计算全局最优赛车线路，受赛道边界和车辆动力学的约束。
• 局部NMPC控制器以最优赛车线路作为参考路径，其代价函数优先考虑沿线路的前进进度，而非轮廓误差。
• 采用改进的Pacejka轮胎模型，捕捉非线性、高速下的轮胎力，提升极端条件下的动态精度。
• 将尾随效应模型嵌入代价函数，鼓励自车在对手后方保持位置以减少阻力并提升速度。
• 超车决策动态生成：若检测到对手处于临界接近距离内，控制器将根据先前决策选择首选超车方向（左/右），以避免振荡。
• 使用IPOPT实时求解NMPC，预测时域为1秒，每个时间步执行首个控制动作。

实验结果

研究问题

• RQ1 在局部NMPC中使用全局优化的赛车线路作为参考，是否能相比基于中心线的方法提升圈速和轨迹跟踪性能？
• RQ2 在高速车辆控制中，引入动态轮胎力模型对控制精度和稳定性有何影响？
• RQ3 在多智能体竞速中，NMPC中引入尾随感知代价函数能在多大程度上提升速度和超车表现？
• RQ4 动态超车方向选择如何防止近距离场景下的振荡行为并提升鲁棒性？
• RQ5 在模拟的多智能体竞速环境中，实时求解具有非线性、高保真模型的NMPC在计算上是否可行？

主要发现

• 所提出的采用最优赛车线路作为参考的NMPC，相比基于轮廓误差的方法，显著降低了轨迹偏差并提升了沿赛道的前进进度。
• 引入动态轮胎模型后，能够准确模拟高速弯道和纵向动力学，这对实现真实控制性能至关重要。
• 尾随代价项在跟随领先车辆的直道上带来了可测量的速度提升，轨迹显示了战略性地保持在对手后方。
• 该算法成功执行了超车操作，且方向选择保持一致，避免了因对称代价条件导致的振荡。
• 控制器在5圈的多智能体竞速仿真中实现了稳定、高速的性能，展示了在直接对抗场景下的鲁棒性。
• 尽管性能令人满意，但由于使用IPOPT求解非线性优化的计算负载，控制器在实时运行中仅达到约5 FPS，表明未来需通过线性化或迭代LQR实现加速。